Hearing stories, not keywords: teaching contextual readers' advisory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The concept of appeal has traditionally been considered a cornerstone of readers' advisory (RA). Critically revising the foundational works on appeal that have guided RA for more than two decades, this article aims to discuss the best ways to approach teaching RA as contextually grounded practice. Design/methodology/approach The paper uses a critical review of RA foundational works and of selected RA tools and publications; a comparative analysis of two empirically generated models of reading; and discourse on the possible application of research interviewing methods to the RA interview. Findings Given the disclosed unutilized potential of the existing theory of appeal and in light of recent empirical research, the concept of appeal should become less compartmentalized and should be broadened to include the reader and his or her reading context. Reading studies should be seen as directly relevant to understanding appeal. The SQUIN (single question aimed at inducing narrative) technique, borrowed from narrative research interviews, can be used in RA interviews to collect contextually grounded information about the appeal of reading. Originality/value This article will be of interest to LIS educators, practising readers' advisors, other public services librarians, reading scholars, and library and information science students. It takes a radically different approach to the concept of appeal, which has remained relatively stable since its conception in 1989, and uses it to propose not only a more holistic approach to RA but also some practical ways to teach it to future readers' advisors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,015 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle